Onton publica los benchmarks detrás de la afirmación de 2.7x en búsquedas de comercio electrónico de Ontology 1

Why it matters

Onton is betting that structured product knowledge can beat ad-funded keyword search. The 2.7x claim would support that case, but the missing benchmark leaves its size unproven.

Onton co-founders Zach Hudson and Alex Gunnarson announced Ontology 1 en X el 29 de julio, afirmando que el modelo de IA es al menos 2.7 veces más preciso que los principales motores de búsqueda de comercio electrónico y puede procesar consultas que los sistemas anteriores no podían manejar.

Onton publicó los los benchmarks y la metodología de Ontology 1 con el lanzamiento y liberó el conjunto de datos de evaluación Subtext Decor 90 en Hugging Face. La cifra de 2.7x sigue siendo un resultado reportado por la empresa, pero los materiales públicos permiten a los investigadores inspeccionar el diseño de la evaluación y el conjunto de datos subyacente. Onton no especificó si Ontology 1 se lanzará como un modelo independiente, se expondrá a través de una API o se usará únicamente dentro de sus productos de shopping.

El lanzamiento avanza una tesis técnica que Hudson y Gunnarson han perseguido desde que Onton operaba bajo su nombre original, Deft: la búsqueda de productos necesita conocimiento estructurado y razonamiento en lugar de otra interfaz de chat colocada sobre los catálogos de los minoristas.

Gunnarson comenzó a trabajar en el problema en 2019 después de pasar aproximadamente 30 horas buscando un sofá gris de mediados de siglo con remates de madera con un precio inferior a $800. Hudson había pasado 11 años en roles de producto relacionados con el comercio electrónico antes de enseñarse a programar y construir Rcmmd.com, un servicio de reseñas de productos que describió como Yelp para reseñas de productos. Los fundadores se conocieron mientras trabajaban en sus proyectos separados, colaboraron durante varios meses y finalmente combinaron sus esfuerzos.

Onton publica su metodología del benchmark

La arquitectura de Onton combina modelos de lenguaje e imagen con un grafo de conocimiento y un motor de razonamiento. Hudson ha argumentado que los modelos convencionales de lenguaje a gran escala pueden inferir la intención probable pero tienen dificultades cuando los datos de producto son incompletos, inconsistentes o están escritos para posicionarse en los resultados de búsqueda.

Esa distinción importa en búsquedas como muebles aptos para mascotas. El texto del minorista puede omitir la frase por completo, mientras que los materiales del producto pueden indicar si resiste manchas o rayones. Onton dice que su sistema puede conectar esos atributos y devolver productos relevantes incluso cuando las palabras del comprador no aparecen directamente en un listado.

Onton describió previamente un experimento separado de búsqueda de productos en una publicación de investigación del 17 de octubre de 2025. Esa prueba cubrió aproximadamente 1,000 productos de 20 marcas de artículos para el hogar y 100 consultas generadas, con resultados verificados manualmente para su relevancia. Onton informó que las descripciones fácticas generadas a partir de imágenes de producto mejoraron la recuperación al reemplazar el lenguaje vago del catálogo orientado al SEO por detalles concretos sobre color, forma y material.

Ese experimento anterior explica el enfoque de Onton en la calidad del catálogo. Los materiales publicados con Ontology 1 ahora proporcionan la metodología del benchmark y el conjunto de datos de evaluación detrás de la ventaja reclamada del nuevo modelo. Aún se necesitarían pruebas independientes para determinar si la ganancia reportada se mantiene en otros catálogos, categorías de producto y distribuciones de consultas del mundo real.

Onton avanza más allá del descubrimiento de muebles

Onton se lanzó públicamente como Deft a finales de 2023 y adoptó su nombre actual el 5 de septiembre de 2024. Gunnarson acuñó el nombre a partir de la ontología, reflejando el esfuerzo de los fundadores por descomponer los productos en conceptos y relaciones estructuradas sobre las que el software pueda razonar.

El servicio comenzó con muebles y decoración del hogar, donde los usuarios pueden buscar con lenguaje natural o imágenes, generar conceptos de habitación y disponer productos en lienzos visuales. Los precios actuales de Onton van desde un nivel gratuito hasta planes de pago para límites más altos de generación de imágenes y herramientas de diseño adicionales. Esa estructura de suscripción respalda el argumento de larga data de Hudson de que la búsqueda de compras debe generar ingresos de los usuarios en lugar de mediante ubicaciones patrocinadas.

Onton tenía más de 2 million de usuarios activos mensuales para noviembre de 2025, frente a 50,000, según cifras que Onton proporcionó a TechCrunch. El mismo informe dijo que Onton recaudó una ronda semilla de $7.5 millones liderada por Footwork, con la participación de Liquid 2 Ventures, Parable y 43. La ronda elevó la financiación reportada a aproximadamente $10 millones y estaba destinada a apoyar la expansión hacia ropa y, más adelante, electrónica de consumo.

Ontology 1 brinda a Hudson y Gunnarson una base técnica para esa expansión. Las búsquedas de muebles dependen en gran medida del estilo, dimensiones, materiales y similitud visual. La ropa agrega ajuste, tallas y gusto personal, mientras que la electrónica introduce especificaciones y requisitos de compatibilidad. Un modelo que conecte con precisión esas relaciones podría permitir que Onton reutilice su sistema de búsqueda en distintas categorías sin reconstruir cada experiencia alrededor de filtros por palabras clave.

La siguiente prueba es si la ventaja medida de Ontology 1 sobrevive a una evaluación independiente y al uso más allá del conjunto de datos de decoración. Onton ha establecido un múltiplo preciso para su ventaja y publicó la metodología y los datos detrás de ese resultado, proporcionando a los investigadores una base para escrutar la afirmación.